本研究使用卷积神经网络进行深度学习，尝试从两个医疗系统的大型超声心动图数据集中预测患者的年龄、种族和性别，并评估影响因素的变化。结果表明，深度学习模型可以较准确地预测年龄和性别，但未能可靠地预测种族。该研究进一步说明了医疗人工智能中存在的偏见和不公平问题。
Jul, 2022
该研究对使用机器学习和人工智能从语音记录中检测喉癌的当前文献进行了范围审查，并针对分类问题进行了二分法和多分类法的讨论和方法比较，最终使用迁移学习对三类病症与健康对照进行分类，获得了相似的结果。
Jul, 2023
研究介绍了视频胶囊内窥镜、人工智能以及VCE数据解释等主题，使用卷积神经网络准确识别解剖标记，以轻量级模型提高临床医生信心。
Aug, 2023
近年来，我们不断发展了大量用于医学图像分析的深度学习模型，但仍然存在诸多挑战，如模型泛化性能、性能下降原因和如何克服性能下降等。本研究回顾了基于深度学习的分类模型的泛化方法，并讨论了未来的挑战，包括改进评估协议和基准以及实现稳健、泛化的医学图像分类模型的未来发展。
Mar, 2024
肺癌早期检测对降低高死亡率具有重要作用，而人工智能在诊断成像方面的应用日益重要。该研究利用Duke Lung Cancer Screening Dataset (DLCSD) 开发和验证了DLCSD-mD和LUNA16-mD模型，这些模型在多个数据集上表现出色，为肺癌基于影像的诊断性能建立了基准。
May, 2024
本研究解决了当前肺炎检测中深度学习方法的研究不足。通过系统分析现有的深度学习技术，该论文总结了数据集、处理技术和工作流程等关键要素，并提出未来的研究方向。研究发现，改进深度学习模型在肺炎区域检测中的表现具有显著的潜在影响。
Aug, 2024
本研究针对现有基于咳嗽声音的呼吸疾病诊断方法存在的数据规模限制和模型性能不足的问题，提出了一种统一框架，对多种深度学习模型进行评估。通过自监督和监督学习结合的大规模咳嗽数据集分类方法，实验结果显示该方法在COVID-19和慢性阻塞性肺疾病的分类任务中超越了以往研究，其AUROC达到了92.5%。
本研究解决了咳嗽声音数据在呼吸疾病诊断中的应用不足，特别是在数据量小且标注困难的背景下。我们提出了一种新颖的方法，结合自监督和监督学习，在大规模咳嗽数据集上进行呼吸疾病分类。实验结果表明，该方法在新冠病毒诊断和慢性阻塞性肺疾病分类上均优于现有技术，获得92.5%的AUROC。
本研究针对喉癌检测的高主观性和低效率问题，提出了一种基于3D大规模预训练模型的新型自动框架3D-LSPTM。该框架通过对大规模喉镜视频进行细致分析，显示出94.8%的F_1得分，显著提高了喉癌的检测准确性和效率。
Sep, 2024
本研究解决了当前呼吸疾病诊断和管理依赖专业临床测试的局限性，提出了一种基于机器学习的算法，用于在家监测接受持续正压呼吸治疗患者的呼吸状态。研究发现，随机森林分类器在准确性上优于其他模型，尤其是考虑呼吸频率后，这为将呼吸评估从临床环境转移到家庭提供了新的可能性，提升了可及性和患者自主性。